PMI-CPMAIは、現代のAIプロジェクトでは、構造化データ（テーブル、ログ、テレメトリ）と非構造化データ（テキスト、ドキュメント、画像）の両方を含む、多量かつ多様なデータを扱うことが多いと説明しています。データ準備とパイプライン設計段階における重要な原則は、「モデルが一貫性のある互換性のある入力を受け取るように、正規化、調和、特徴抽出を通じて多様性に明示的に対処する必要がある」ということです。プロジェクトマネージャーが多様性という側面を無視し、すべてのデータを均質であるかのように扱うと、通常、スキーマの不整合、エンコーディングの不整合、モダリティの欠落、非構造化コンテンツの不適切な処理につながります。
このガイダンスでは、こうした問題は「量と速度が適切に管理されている場合でも、モデルのパフォーマンス低下、不安定性、および一般化可能性の低下として現れる」と指摘しています。車両管理の文脈では、テレマティクス、メンテナンス記録、ドライバーログ、および外部データ（交通状況や天候など）を統合しないと、モデルが関連するパターンを完全に捉えることができず、一部のシグナルが事実上使用不能または誤解を招く可能性があります。この作業を省略すると、精度や一貫性が向上するどころか、特徴量の品質が低下し、ノイズが増加し、隠れたバイアスが生じます。
その結果、PMI-CPMAIは、準備段階でデータの多様性に対処しないと、モデルのパフォーマンス低下に最も直接的につながると指摘している。なぜなら、モデルは、基礎となる運用上の現実を不完全、矛盾している、または十分に統合されていない形で表現したデータに基づいて訓練および評価されるからである。

最適な答えはBです。包括的な使用シナリオ分析を実施してください。PMI-CPMAIでは、強力なAIスコープ記述書には、ソリューションが実際にどのように、どこで使用されるかが反映されている必要があります。これには、動作環境、デバイスコンテキスト、ユーザーの役割、ワークフローの接点、および実際の実装に関する前提条件が含まれます。
PMIの試験概要では、AIプロジェクトの範囲の定義、前提条件と制約事項の文書化、既存システムおよびワークフローとの統合計画、そして導入と定着を成功させるためのソリューション要件の確立が重視されています。
使用シナリオ分析は、ビジネス意図を現実的な運用条件（誰が、どのデバイスで、どの環境で、どのような制約の下でシステムを使用するか）に変換するため、これらの詳細を把握する最良の方法です。技術要件監査は後で行うこともできますが、スコープ記述書でユーザーコンテキストを記述するための最良の主要な方法ではありません。ステークホルダーの賛同は整合性を保つために重要ですが、それ自体では必要なスコープコンテンツを生成するわけではありません。「AI有効性プログラム」は、このタスクに対して最も明確なPMI-CPMAI準拠の成果物ではありません。質問は、プロジェクトマネージャーがスコープに環境、デバイス、および担当者を含めるために何をすべきかを尋ねているため、シナリオ分析が最も直接的で、PMIスタイルの回答として妥当です。

PMI-CPMAIの知識体系では、医療AIイニシアチブは、電子カルテ（EHR）、患者報告アウトカム、非構造化臨床記述などの異種ソースを統合する必要があるデータ集約型の取り組みとして繰り返し位置づけられています。ガイダンスでは、「医師のメモや記述レポートなどの非構造化ソースには、構造化フィールドには表示されない重要な臨床コンテキストが含まれていることが多い」ことを強調し、プロジェクトチームは、データセットの完全性と信頼性を確保するために、この情報を確実に分析可能な形式に抽出できる技術を使用する必要があると述べています。ここで、自然言語処理（NLP）が重要なイネーブラーとして注目されています。NLPは、自由記述の臨床メモから診断、治療、併存疾患、タイムライン、アウトカムを体系的に解析および抽出することで、これらの豊富だが整理されていないデータを、構造化されたEHRフィールドや調査データと並べて使用できるようにします。
PMI-CPMAIはまた、単にデータを追加したり、トレーニングを分散させたり（データ拡張や連合学習など）しても、基となるデータが網羅的であるとは限らないことを強調しています。重要なのは、関連するすべてのシグナルが取得され、様々なモダリティにわたって正規化されることです。NLPは、非構造化テキストを標準化された特徴量に変換することで、この目的を直接的にサポートし、省略や手動による抽出エラーを削減します。リアルタイムのEHR統合はデータの鮮度を向上させますが、必ずしもすべてのソースを網羅するとは限りません。したがって、再入院予測モデルにおいてデータが包括的かつ信頼できるものであることを保証するには、NLPを用いて臨床記録から関連データを抽出することが、選択肢の中で最も効果的な手法です。

PMI-CPMAIのレガシーシステムからAI対応ソリューションへの移行に関するガイダンスでは、プロジェクトマネージャーは、複数の認知機能を一度に導入しようとするのではなく、段階的かつ漸進的な導入を通じて複雑さとリスクを管理することが推奨されています。この資料では、複数の認知パターン（分類、予測、レコメンデーション、自然言語処理など）が特定された場合、「実装ロードマップでは、初期イテレーションにおいて限られた数のユースケースとパターンを優先し、範囲を拡大する前に価値と技術的な実現可能性を検証する必要がある」と強調しています。この段階的なアプローチにより、チームは各イテレーションから学び、データパイプラインと統合を洗練させ、ガバナンスとリスク管理を調整してから、より高度な、あるいは追加の認知コンポーネントを追加することができます。
PMI-CPMAIはまた、初期段階での過剰な複雑化は、コスト超過、変更への抵抗、技術的な失敗の可能性を高めると指摘し、チームに対し「既存の運用への混乱を最小限に抑えつつ、迅速に価値を提供する管理可能なリリースにAI機能を段階的に導入する」ことを推奨しています。一度に1つのパターンを対象とする段階的なアプローチを確立することで、プロジェクトマネージャーの懸念に直接対処できます。つまり、「ビッグバン」方式のAI導入を回避し、各ステップで構造化された変更管理、トレーニング、ステークホルダーの連携が可能になります。すべてのパターンを単一のイテレーションに統合したり、従業員に一度にすべてをトレーニングしたりするなどの活動は、AI機能の段階的で価値重視の進化と矛盾します。したがって、最初の活動は、一度に1つの認知パターンに焦点を当てた段階的なアプローチを確立することです。

PMIのAIプロジェクト管理の見解では、モデル評価は常にビジネス目標およびドメイン目標に結び付けられるべきであり、特に医療などの高リスク分野ではその傾向が顕著です。診断システムにおける偽陽性率が高いと、臨床ワークフロー、患者の不安、そしてコストに直接的な影響を及ぼします。PMIは、モデルのチューニングを進めるか、あるいは投資を行う前に、観測されたパフォーマンスが合意された成功基準とリスク閾値を実際に満たしているか、あるいは満たしていないかを確認することを推奨しています。
PMI-CPMAIのAIリスクと価値の整合性に関するアプローチでは、チームは「利害関係者のニーズ、リスク許容度、期待される結果の文脈でモデルのパフォーマンスを評価し、不一致が生じた場合は目標と要件を見直す」必要があると強調しています（PMI AIリスクと価値に関するガイダンスからの言い換え）。このシナリオでは、チームと医師は偽陽性率が許容範囲を超えていることを確認しました。実行/中止の決定を下す前に、次のステップは、ビジネスおよび臨床上の目標、トレードオフ、許容されるエラー率を再評価することです。たとえば、感度を高めることで偽陽性が増えることが正当化されるかどうか、またはシステムを再設計または再配置する必要があるかどうか（意思決定支援か一次スクリーニングか）などです。
ハイパーパラメータの調整やデータ量の増加といった技術的な選択肢は、最終的には用いられる可能性があるが、それらは必要なパフォーマンスと誤差のトレードオフのレベルを確認した後に行われるべきである。したがって、適切な次のステップは、ビジネス目標と成果を再評価することである。